Les Jeux paralympiques
Morghi Younesse
09/11/2021
Les Jeux paralympiques sont un événement sportif international majeur, regroupant les sports d’été ou d’hiver, auquel des milliers d’athlètes handicapés participent à travers différentes compétitions tous les quatre ans à la suite des Jeux olympiques, pour chaque olympiade. Y participent des athlètes atteints par un handicap physique, visuel ou mental. Ils sont organisés par le Comité international paralympique (et non pas par le Comité international olympique).
library(tidyverse)
library(skimr)
library(knitr)
library(kableExtra)
library(rvest)
library(reshape2)
library(gganimate)
library(magick)
SW <- readr::read_csv('https://raw.githubusercontent.com/youmrg/data_R/main/SW.csv')le jeu des données
SW## # A tibble: 6,201 x 6
## gender event medal athlete abb year
## <chr> <chr> <chr> <chr> <chr> <dbl>
## 1 Men 25 m Freestyle 1A Gold KENNY Mike GBR 1980
## 2 Men 25 m Freestyle 1A Silver KANTOLA Pekka FIN 1980
## 3 Men 25 m Freestyle 1A Bronze TIETZE H. FRG 1980
## 4 Men 25 m Freestyle 1B Gold BURGER M. CAN 1980
## 5 Men 25 m Freestyle 1B Silver SLUPE G. USA 1980
## 6 Men 25 m Freestyle 1B Bronze MAKI Eero FIN 1980
## 7 Men 25 m Freestyle 1C Gold SMYK Zbigniew POL 1980
## 8 Men 25 m Freestyle 1C Silver EMMEL Manfred FRG 1980
## 9 Men 25 m Freestyle 1C Bronze OCKVIRK Robert USA 1980
## 10 Men 50 m Freestyle CP C Gold ADLER Kare NOR 1980
## # ... with 6,191 more rowsQuestions:
**1.Quel le classement des pays selon les nombre de medailles depuis le début des jeux ?
compter les medailles de chaque pays
medal_count<- SW %>%
group_by(abb, medal) %>%
summarize(Count=length(medal))
medal_count## # A tibble: 172 x 3
## # Groups: abb [67]
## abb medal Count
## <chr> <chr> <int>
## 1 ARG Bronze 9
## 2 ARG Gold 5
## 3 ARG Silver 10
## 4 AUS Bronze 160
## 5 AUS Gold 147
## 6 AUS Silver 158
## 7 AUT Bronze 2
## 8 AUT Gold 2
## 9 AUT Silver 4
## 10 AZE Gold 1
## # ... with 162 more rowsordonner les pays par nombre de medailles
ord_med <- medal_count %>%
group_by(abb) %>%
summarize(Total=sum(Count)) %>%
arrange(Total) %>%
select(abb)
ord_med## # A tibble: 67 x 1
## abb
## <chr>
## 1 BAH
## 2 BUL
## 3 KAZ
## 4 LTU
## 5 MAR
## 6 TTO
## 7 VIE
## 8 IPP
## 9 SLO
## 10 TCH
## # ... with 57 more rowsmedal_count$abb <- factor(medal_count$abb, levels=ord_med$abb)le plot
ggplot(medal_count, aes(x=abb, y=Count, fill=medal)) +
geom_col() +
coord_flip() +
scale_fill_manual(values=c("gold1","gray70","gold4")) +
ggtitle("Le classement des pays par le total des médailles ") +
theme(plot.title = element_text(hjust = 0.5))
**2.Quel le Nombre de medailles d’or de la France au fil du temps?
FR_gold <- SW %>% group_by(year, abb, medal) %>% filter(medal=="Gold", abb=='FRA') %>% summarize(Count=n()) %>% arrange(year) %>% group_by(year)
FR_gold ## # A tibble: 9 x 4
## # Groups: year [9]
## year abb medal Count
## <dbl> <chr> <chr> <int>
## 1 1980 FRA Gold 4
## 2 1984 FRA Gold 35
## 3 1988 FRA Gold 16
## 4 1992 FRA Gold 20
## 5 1996 FRA Gold 12
## 6 2000 FRA Gold 12
## 7 2004 FRA Gold 4
## 8 2008 FRA Gold 2
## 9 2012 FRA Gold 2Le plot :
ggplot(FR_gold, aes(x=year, y=Count, group=medal)) +
geom_line(aes(colour=abb)) +
geom_point(aes(colour=abb))+
scale_x_continuous(breaks=FR_gold$year)+
theme(legend.position="none", legend.text=element_text(size=0),axis.text.x=element_text(size=8, angle=90,vjust=0,hjust=1))+
labs(title="Number of France gold medals over the time", x="Years", y="Num. of Medals")
**3.quel est le nombre de medailles par sex ?
ggplot(SW,aes(x= gender ,fill= medal))+
geom_bar()+
scale_fill_manual(values=c("gold1","gray70","gold4")) +
ggtitle("nombre de medailles par sex ") +
theme(plot.title = element_text(hjust = 0.5))
**4.quel est le nombre de medailles par sex pour chaque année ?
ggplot(SW,aes(x= gender ,fill= medal))+
facet_wrap(~ year)+
geom_bar()+
scale_fill_manual(values=c("gold1","gray70","gold4")) +
ggtitle("nombre de medailles par sex pour chaque année ") +
theme(plot.title = element_text(hjust = 0.5)) 
#### **5.Quel Le nombre des hommes et des femmes au fil des années?
Tableau de comptage du nombre d’athlètes par année et sexe:
counts_sex <- SW %>%
filter(gender != "Mixed")%>%
group_by(year,gender) %>%
summarize(Athletes = length(unique(athlete)))
counts_sex$year <- as.integer(counts_sex$year)
counts_sex## # A tibble: 20 x 3
## # Groups: year [10]
## year gender Athletes
## <int> <chr> <int>
## 1 1980 Men 118
## 2 1980 Women 92
## 3 1984 Men 214
## 4 1984 Women 144
## 5 1988 Men 185
## 6 1988 Women 97
## 7 1992 Men 121
## 8 1992 Women 106
## 9 1996 Men 136
## 10 1996 Women 115
## 11 2000 Men 176
## 12 2000 Women 118
## 13 2004 Men 151
## 14 2004 Women 110
## 15 2008 Men 128
## 16 2008 Women 86
## 17 2012 Men 133
## 18 2012 Women 96
## 19 2016 Men 131
## 20 2016 Women 111Le plot:
ggplot(counts_sex, aes(x=year, y=Athletes, group=gender, color=gender)) +
geom_point(size=2) +
geom_line() +
scale_color_manual(values=c("darkblue","red")) +
labs(title = "Le nombre des hommes et des femmes au fil des années") +
theme(plot.title = element_text(hjust = 0.5))
**6.C’est quoi les 5 catégories les plus populaires par sexe?
Le tableau des catégories les plus populaires par sexe :
popu_event <- SW %>%
filter(gender != "Mixed")%>%
group_by(event, gender) %>%
summarize(Count=n()) %>%
group_by(gender) %>%
top_n(5,event)
popu_event## # A tibble: 10 x 3
## # Groups: gender [2]
## event gender Count
## <chr> <chr> <int>
## 1 50 m Freestyle S5 Women 21
## 2 50 m Freestyle S6 Women 21
## 3 50 m Freestyle S7 Men 21
## 4 50 m Freestyle S7 Women 21
## 5 50 m Freestyle S8 Men 21
## 6 50 m Freestyle S8 Women 21
## 7 50 m Freestyle S9 Men 21
## 8 50 m Freestyle S9 Women 21
## 9 75 m Individual Medley 1A Men 3
## 10 75 m Individual Medley 1B Men 3Le plot:
ggplot(popu_event, aes(x=event, y=Count, group=gender, label=format(Count, big.mark=".", decimal.mark=","))) +
geom_col(aes(color=gender, fill=gender)) +
geom_text(position=position_stack(vjust=0.5), size=3, check_overlap=TRUE) +
scale_y_discrete() +
theme(legend.position="right", axis.text.x=element_text(size=10, angle=90,vjust=0,hjust=1))+
labs(title="les 5 catégories les plus populaires par sexe", x="Catégories", y="Nombre. athletes")
**7.Quels sont les pays qui n’ont pas de médaille d’or mais ils ont les autres ?
data_abb_medal <- dcast(medal_count, abb ~ medal)
data_abb_medal[is.na(data_abb_medal)] <- 0
data_abb_medal## abb Bronze Gold Silver
## 1 BAH 1 0 0
## 2 BUL 0 0 1
## 3 KAZ 0 1 0
## 4 LTU 0 0 1
## 5 MAR 1 0 0
## 6 TTO 1 0 0
## 7 VIE 0 0 1
## 8 IPP 0 1 1
## 9 SLO 2 0 0
## 10 TCH 1 0 1
## 11 KUW 2 0 1
## 12 LUX 0 1 2
## 13 CRO 4 0 0
## 14 CYP 1 2 1
## 15 HKG 3 1 0
## 16 JAM 0 1 3
## 17 CUB 2 1 2
## 18 PER 2 2 1
## 19 SGP 1 3 1
## 20 ZIM 3 0 2
## 21 AUT 2 2 4
## 22 AZE 0 1 7
## 23 THA 4 1 3
## 24 EGY 6 1 2
## 25 POR 6 0 3
## 26 SVK 3 2 4
## 27 EST 3 2 5
## 28 COL 4 2 5
## 29 SUI 8 0 4
## 30 UZB 6 2 4
## 31 EUN 6 4 3
## 32 FRO 5 1 7
## 33 KOR 6 7 2
## 34 YUG 9 3 6
## 35 URS 9 0 11
## 36 ARG 9 5 10
## 37 IRL 7 9 9
## 38 CZE 14 12 4
## 39 BEL 13 6 12
## 40 FIN 19 5 13
## 41 GRE 11 10 17
## 42 BLR 9 21 14
## 43 ISL 27 14 8
## 44 RSA 13 24 15
## 45 MEX 22 24 12
## 46 NZL 14 30 19
## 47 ITA 25 18 30
## 48 HUN 33 32 23
## 49 JPN 42 35 25
## 50 ISR 41 31 41
## 51 RUS 42 33 42
## 52 NOR 35 54 43
## 53 BRA 47 35 56
## 54 DEN 67 37 40
## 55 FRG 39 63 56
## 56 GER 61 67 76
## 57 UKR 78 78 65
## 58 SWE 54 95 94
## 59 POL 81 91 89
## 60 FRA 93 107 103
## 61 NED 94 117 103
## 62 CHN 107 150 119
## 63 ESP 140 118 122
## 64 CAN 118 165 119
## 65 AUS 160 147 158
## 66 USA 192 241 185
## 67 GBR 212 204 252no_gold_data <- subset(data_abb_medal, Gold == 0 & Silver>0 & Bronze>0)
print("les pays qui n'ont pas de médaille d'or mais ils ont les autres")## [1] "les pays qui n'ont pas de médaille d'or mais ils ont les autres"no_gold_data$abb## [1] TCH KUW ZIM POR SUI URS
## 67 Levels: BAH BUL KAZ LTU MAR TTO VIE IPP SLO TCH KUW LUX CRO CYP HKG ... GBR**8.
all_medal_sex <- SW%>% group_by(abb, medal, gender) %>%
summarise(total = n())
all_medal_sex.wide <- dcast(all_medal_sex, abb ~ medal+gender)
all_medal_sex.wide[is.na(all_medal_sex.wide)] <- 0
all_medal_sex.wide## abb Bronze_Men Bronze_Mixed Bronze_Women Gold_Men Gold_Mixed Gold_Women
## 1 ARG 2 0 7 0 0 5
## 2 AUS 63 0 97 72 0 75
## 3 AUT 2 0 0 2 0 0
## 4 AZE 0 0 0 0 0 1
## 5 BAH 0 0 1 0 0 0
## 6 BEL 7 0 6 4 0 2
## 7 BLR 9 0 0 21 0 0
## 8 BRA 39 0 8 31 0 4
## 9 BUL 0 0 0 0 0 0
## 10 CAN 53 0 65 73 0 92
## 11 CHN 74 0 33 105 8 37
## 12 COL 4 0 0 2 0 0
## 13 CRO 4 0 0 0 0 0
## 14 CUB 2 0 0 1 0 0
## 15 CYP 0 0 1 0 0 2
## 16 CZE 8 0 6 5 0 7
## 17 DEN 43 0 24 28 0 9
## 18 EGY 6 0 0 1 0 0
## 19 ESP 80 0 60 69 0 49
## 20 EST 1 0 2 0 0 2
## 21 EUN 4 0 2 4 0 0
## 22 FIN 6 0 13 1 0 4
## 23 FRA 55 0 38 59 0 48
## 24 FRG 32 0 7 36 0 27
## 25 FRO 0 0 5 0 0 1
## 26 GBR 84 0 128 119 0 85
## 27 GER 23 0 38 25 0 42
## 28 GRE 10 0 1 10 0 0
## 29 HKG 2 0 1 1 0 0
## 30 HUN 22 0 11 25 0 7
## 31 IPP 0 0 0 1 0 0
## 32 IRL 6 0 1 6 0 3
## 33 ISL 8 0 19 6 0 8
## 34 ISR 32 0 9 25 0 6
## 35 ITA 21 0 4 14 0 4
## 36 JAM 0 0 0 0 0 1
## 37 JPN 33 0 9 12 0 23
## 38 KAZ 0 0 0 0 0 1
## 39 KOR 6 0 0 7 0 0
## 40 KUW 2 0 0 0 0 0
## 41 LTU 0 0 0 0 0 0
## 42 LUX 0 0 0 1 0 0
## 43 MAR 1 0 0 0 0 0
## 44 MEX 11 0 11 11 0 13
## 45 NED 57 0 37 71 0 46
## 46 NOR 17 0 18 34 0 20
## 47 NZL 9 0 5 11 0 19
## 48 PER 2 0 0 2 0 0
## 49 POL 56 0 25 60 0 31
## 50 POR 3 0 3 0 0 0
## 51 RSA 11 0 2 10 0 14
## 52 RUS 33 0 9 22 0 11
## 53 SGP 0 0 1 0 0 3
## 54 SLO 2 0 0 0 0 0
## 55 SUI 7 0 1 0 0 0
## 56 SVK 2 0 1 2 0 0
## 57 SWE 28 0 26 39 0 56
## 58 TCH 1 0 0 0 0 0
## 59 THA 4 0 0 1 0 0
## 60 TTO 0 0 1 0 0 0
## 61 UKR 52 7 19 62 0 16
## 62 URS 3 0 6 0 0 0
## 63 USA 84 0 108 89 0 152
## 64 UZB 3 0 3 1 0 1
## 65 VIE 0 0 0 0 0 0
## 66 YUG 8 0 1 3 0 0
## 67 ZIM 1 0 2 0 0 0
## Silver_Men Silver_Mixed Silver_Women
## 1 3 0 7
## 2 78 0 80
## 3 4 0 0
## 4 3 0 4
## 5 0 0 0
## 6 7 0 5
## 7 14 0 0
## 8 44 6 6
## 9 0 0 1
## 10 50 0 69
## 11 99 0 20
## 12 5 0 0
## 13 0 0 0
## 14 2 0 0
## 15 0 0 1
## 16 0 0 4
## 17 27 0 13
## 18 2 0 0
## 19 69 0 53
## 20 0 0 5
## 21 2 0 1
## 22 5 0 8
## 23 51 0 52
## 24 41 0 15
## 25 0 0 7
## 26 119 0 133
## 27 25 0 51
## 28 15 0 2
## 29 0 0 0
## 30 15 0 8
## 31 1 0 0
## 32 4 0 5
## 33 4 0 4
## 34 35 0 6
## 35 23 0 7
## 36 0 0 3
## 37 21 0 4
## 38 0 0 0
## 39 2 0 0
## 40 1 0 0
## 41 1 0 0
## 42 2 0 0
## 43 0 0 0
## 44 6 0 6
## 45 57 0 46
## 46 26 0 17
## 47 8 0 11
## 48 1 0 0
## 49 63 0 26
## 50 0 0 3
## 51 13 0 2
## 52 32 0 10
## 53 0 0 1
## 54 0 0 0
## 55 4 0 0
## 56 0 0 4
## 57 44 0 50
## 58 1 0 0
## 59 3 0 0
## 60 0 0 0
## 61 41 0 24
## 62 9 0 2
## 63 62 0 123
## 64 1 0 3
## 65 1 0 0
## 66 6 0 0
## 67 0 0 2**8a.Quel sont les pays où juste c’est les hommes qu’y ont gagné la médaille d’or?
no_women_gold <- subset(all_medal_sex.wide, Gold_Women ==0 & Gold_Men>0 )
no_women_gold## abb Bronze_Men Bronze_Mixed Bronze_Women Gold_Men Gold_Mixed Gold_Women
## 3 AUT 2 0 0 2 0 0
## 7 BLR 9 0 0 21 0 0
## 12 COL 4 0 0 2 0 0
## 14 CUB 2 0 0 1 0 0
## 18 EGY 6 0 0 1 0 0
## 21 EUN 4 0 2 4 0 0
## 28 GRE 10 0 1 10 0 0
## 29 HKG 2 0 1 1 0 0
## 31 IPP 0 0 0 1 0 0
## 39 KOR 6 0 0 7 0 0
## 42 LUX 0 0 0 1 0 0
## 48 PER 2 0 0 2 0 0
## 56 SVK 2 0 1 2 0 0
## 59 THA 4 0 0 1 0 0
## 66 YUG 8 0 1 3 0 0
## Silver_Men Silver_Mixed Silver_Women
## 3 4 0 0
## 7 14 0 0
## 12 5 0 0
## 14 2 0 0
## 18 2 0 0
## 21 2 0 1
## 28 15 0 2
## 29 0 0 0
## 31 1 0 0
## 39 2 0 0
## 42 2 0 0
## 48 1 0 0
## 56 0 0 4
## 59 3 0 0
## 66 6 0 0print(" Les pays où les femmes n'ont jamis remporté de médaille d'or mais où les hommes l'ont remporté")## [1] " Les pays où les femmes n'ont jamis remporté de médaille d'or mais où les hommes l'ont remporté"no_women_gold$abb## [1] "AUT" "BLR" "COL" "CUB" "EGY" "EUN" "GRE" "HKG" "IPP" "KOR" "LUX" "PER"
## [13] "SVK" "THA" "YUG"**8b.Quel sont les pays où les femmes qu’ont gagné la médaille d’or ?
no_men_gold <- subset(all_medal_sex.wide, Gold_Women>0 & Gold_Men==0 )
no_men_gold ## abb Bronze_Men Bronze_Mixed Bronze_Women Gold_Men Gold_Mixed Gold_Women
## 1 ARG 2 0 7 0 0 5
## 4 AZE 0 0 0 0 0 1
## 15 CYP 0 0 1 0 0 2
## 20 EST 1 0 2 0 0 2
## 25 FRO 0 0 5 0 0 1
## 36 JAM 0 0 0 0 0 1
## 38 KAZ 0 0 0 0 0 1
## 53 SGP 0 0 1 0 0 3
## Silver_Men Silver_Mixed Silver_Women
## 1 3 0 7
## 4 3 0 4
## 15 0 0 1
## 20 0 0 5
## 25 0 0 7
## 36 0 0 3
## 38 0 0 0
## 53 0 0 1print("Les pays où les hommes n'ont jamis remporté de médaille d'or mais où les femmes l'ont remporté")## [1] "Les pays où les hommes n'ont jamis remporté de médaille d'or mais où les femmes l'ont remporté"no_men_gold$abb## [1] "ARG" "AZE" "CYP" "EST" "FRO" "JAM" "KAZ" "SGP"**9.quelle la distrubtion des medailles dans le monde en 1980 et 2016?
noc <- readr::read_csv('https://raw.githubusercontent.com/youmrg/data_R/main/noc_regions.csv')
noc = noc %>%
rename(abb = NOC)
noc## # A tibble: 230 x 3
## abb region notes
## <chr> <chr> <chr>
## 1 AFG Afghanistan <NA>
## 2 AHO Curacao Netherlands Antilles
## 3 ALB Albania <NA>
## 4 ALG Algeria <NA>
## 5 AND Andorra <NA>
## 6 ANG Angola <NA>
## 7 ANT Antigua Antigua and Barbuda
## 8 ANZ Australia Australasia
## 9 ARG Argentina <NA>
## 10 ARM Armenia <NA>
## # ... with 220 more rowsAjouter les noms complets des pays à notre base
data_regions <- SW %>%
left_join(noc,by="abb") %>%
filter(!is.na(region))sous ensemble pour les jeux de 1980 et 2016,compter les athletes de chaque pays.
rio <- data_regions %>%
filter(year == "2016") %>%
group_by(region) %>%
summarize(Rio = length(unique(athlete)))
Arnhem_et_Veenendaal<- data_regions %>%
filter(year == "1980") %>%
group_by(region) %>%
summarize(Arnhem = length(unique(athlete)))Creation des données pour la catographie
world <- map_data("world")
mapdat <- tibble(region=unique(world$region))
mapdat <- mapdat %>%
left_join(Arnhem_et_Veenendaal, by="region") %>%
left_join(rio, by="region")
mapdat$Arnhem[is.na(mapdat$Arnhem)] <- 0
mapdat$Rio[is.na(mapdat$Rio)] <- 0
world <- left_join(world, mapdat, by="region")la catographie: Arnhem et Veenendaal 1980
ggplot(world, aes(x = long, y = lat, group = group)) +
geom_polygon(aes(fill = Arnhem)) +
labs(title = "Arnhem et Veenendaal 1980",
x = NULL, y = NULL) +
theme(axis.ticks = element_blank(),
axis.text = element_blank(),
panel.background = element_rect(fill = "navy"),
plot.title = element_text(hjust = 0.5)) +
guides(fill=guide_colourbar(title="Athletes")) +
scale_fill_gradient2(low="white",high = "red")
la catographie: Rio 2016
ggplot(world, aes(x = long, y = lat, group = group)) +
geom_polygon(aes(fill = Rio)) +
labs(title = "Rio 2016",
x = NULL, y = NULL) +
theme(axis.ticks = element_blank(),
axis.text = element_blank(),
panel.background = element_rect(fill = "navy"),
plot.title = element_text(hjust = 0.5)) +
guides(fill=guide_colourbar(title="Athletes")) +
scale_fill_gradient2(low="white",high = "red")
La décomposition en continent :
**7.Combien chaque continent à de médailles ?
# medal_continent
continent <-readr::read_csv('https://raw.githubusercontent.com/youmrg/data_R/main/data.csv')
continent = continent %>%
rename(abb = Three_Letter_Country_Code)
medal_continent <- SW %>%
left_join(continent,by="abb") %>%
filter(!is.na(Continent_Name))
medal_continent<- medal_continent %>% filter(!is.na(medal))%>%
group_by(year,Continent_Name) %>%
summarize(Count=length(medal))
medal_continent## # A tibble: 55 x 3
## # Groups: year [10]
## year Continent_Name Count
## <dbl> <chr> <int>
## 1 1980 Africa 1
## 2 1980 Asia 25
## 3 1980 Europe 238
## 4 1980 North America 119
## 5 1980 Oceania 13
## 6 1980 South America 13
## 7 1984 Africa 1
## 8 1984 Asia 38
## 9 1984 Europe 455
## 10 1984 North America 212
## # ... with 45 more rowssum_medal_cont <- medal_continent %>%
group_by(Continent_Name) %>%
summarize(nombre_de_medailles=sum(Count))
sum_medal_cont ## # A tibble: 6 x 2
## Continent_Name nombre_de_medailles
## <chr> <int>
## 1 Africa 10
## 2 Asia 765
## 3 Europe 2759
## 4 North America 1088
## 5 Oceania 528
## 6 South America 178pie_chart<- sum_medal_cont %>%
mutate(perc = `nombre_de_medailles` / sum(`nombre_de_medailles`)) %>%
arrange(perc) %>%
mutate(labels = scales::percent(perc))
pie_chart## # A tibble: 6 x 4
## Continent_Name nombre_de_medailles perc labels
## <chr> <int> <dbl> <chr>
## 1 Africa 10 0.00188 0.2%
## 2 South America 178 0.0334 3.3%
## 3 Oceania 528 0.0991 9.9%
## 4 Asia 765 0.144 14.4%
## 5 North America 1088 0.204 20.4%
## 6 Europe 2759 0.518 51.8%ggplot(pie_chart, aes(x = "", y = perc, fill = Continent_Name)) +
geom_col() +
coord_polar(theta = "y")
le graphique animé :
WP3 <- ggplot(data = medal_continent, aes(x = year, y = Count, group=Continent_Name, color=Continent_Name)) +
geom_line() +
geom_point() +
ggtitle("Nombre de médailles entre 1980 et 2016") +
ylab("Nombre de médailles") +
xlab("Année")+
theme_classic()+
view_follow(fixed_x = TRUE,
fixed_y = TRUE) +
transition_reveal(year)
WP3 <- animate(WP3, end_pause = 15)
WP3
WP <- ggplot(data = medal_continent) +
geom_col(mapping = aes(x = Continent_Name, y = Count),
fill = "darkcyan") +
theme_classic() +
xlab("Région") +
ylab("Nombre de téléphones (en milliers)") +
transition_states(year,
transition_length = 2,
state_length = 1,
wrap = TRUE) +
ggtitle("Année : {closest_state}")
WP